人工智能技術在護理安全管理中的應用研究進展

任宏飛，劉常清，張銘光，蔣 艷

四川大學華西醫院/華西護理學院，四川 610041

病人安全是指將衛生保健相關的不必要傷害減少到可接受的最低程度的風險控制過程[1]，是醫療、護理行為的基本原則，在和諧醫患關系、控制醫療費用、促進全民健康等方面具有重要意義。據報道，由于不安全護理導致的不良事件是全世界十大死亡和殘疾原因之一，其中1/3～1/2 是可以預防的[2]。由于全球護理人力資源長期處于緊缺狀態，護理工作負荷大、方式多變、內容繁復，工作自主性受限于醫療環境、護理資源、個人水平等多重因素，給病人安全帶來了一定的風險與挑戰。隨著精準醫學時代的到來，人工智能（artificial intelligence，AI）技術快速與醫學融合，在機器人、語言識別、圖像識別、自然語言處理等醫療領域得到了大力發展[3]，并用于疾病診療、健康管理、藥物研發、精準醫學、跨地域醫療整合系統等方面[4]。近年來，人工智能在病人安全活動領域的研究取得了顯著的成果，對護理模式的改變、護理服務質量的提升具有重要影響。現綜述人工智能在醫院感染、壓力性損傷、跌倒及身份識別等護理相關病人安全結局的研究及應用現狀，旨在探索基于人工智能的更為科學、高效的護理方法，提高護理質量，促進病人安全。

1 人工智能技術內涵

廣義上講，人工智能為一種能夠做出智能決策的計算機程序。本研究中的人工智能是指計算機或醫療保健設備分析廣泛的醫療保健數據、揭示隱藏知識、識別風險并加強溝通的能力[5]。人工智能技術包括機器學習、自然語言處理、計算機視覺、智能機器人、自動程序設計等[6]。其中，機器學習和自然語言處理在醫療保健領域中的應用廣泛[7]。機器學習是指計算機能夠利用監督學習或非監督學習來識別潛在信息或對數據進行預測。自然語言處理是研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法，最終研制能有效實現自然語言通信的計算機系統。研究顯示，在病人安全領域中，機器學習中的支持向量法和自然語言處理應用的最多[8]。

2 人工智能在護理安全事件預測中的應用

2.1 人工智能在醫院感染預防中的應用 醫院感染防控是有效保障病人安全的基本要求。2019 年國家衛健委官網報道，我國2014 年以來報告的醫院感染現患率為2.3%～2.7%[9]。同期，美國醫院相關感染的發生率為3.2%[10]。如何早期發現并及時控制醫院感染的發生已成為關鍵問題。近年來，國外對人工智能在醫院感染預防控制方面的作用進行了大量的研究。一方面，人工智能可通過提供實時、準確的醫院感染風險預測來預防、控制感染。如Beeler 等[11]通過人工智能技術中的隨機森林分類算法實現精準預測中心導管相關性血流感染的發生。另一方面，通過人工智能技術規范醫務人員行為，達到預防醫院感染的目的，其中手衛生是全球公認的預防、控制醫院感染最簡單、有效、經濟的措施[12]。如使用基于攝像頭的增強現實和游戲化學習來培訓和評估手衛生技術[13]，或使用卷積網絡分類器的計算機視覺監測醫務人員手衛生執行情況[14]，從而提高醫務人員手衛生的依從性。也有研究通過開發綜合的手衛生智能化管理系統，包括Sure Wash 系統、手衛生評估和活動監測系統，該系統在不影響臨床工作流程的情況下，使用人工智能改善手衛生效果[15]。除此之外，有研究嘗試將可穿戴技術應用于手衛生監測，這種設備可以感應到醫務工作者洗手或手消毒行為，記錄洗手時間并監測依從率，進而起到改善手衛生依從率的作用[16-17]，但其遠期效果有待進一步研究。國內對于人工智能技術在醫院感染預防、控制方面的研究較少，僅初步探索了醫院感染發生的預測模型[18]、智能監測系統在手衛生中的應用[19]，尚缺乏深入、細致的研究。國外針對人工智能技術在醫院感染預防、控制方面的研究較多，但也存在一些局限性。首先，人工智能在醫院感染預測中的準確性值得商榷，因為精準的模型開發需要一個高質量的數據集，而目前的數據庫質量有待提高。其次，目前開發的手衛生智能化系統，會將實時反饋整合到人工智能應用程序中以強調手衛生行為的重要性，雖然提高了洗手的數量及質量，但員工會對反饋產生依賴性，當反饋被刪除時，洗手行為又回到了基線水平。再者，在使用人工智能視覺模擬時，如何更好地考慮現實醫院情景中的環境及人流量所帶來的干擾問題尚未得到很好的解決。最后，可穿戴技術的應用及研究，需要進一步考慮用戶態度、設備功能和可用性（設備設計、尺寸或重量）等重要因素。未來，我國護理學者可深入探索人工智能技術在護理操作相關感染的預測、干預以及手衛生執行質量等領域的研究。

2.2 人工智能在壓力性損傷監測及預防中的應用壓力性損傷是反映病人安全相關護理不良事件的主要指標之一。一項針對壓力性損傷患病率的系統綜述指出，全球壓力性損傷患病率為3.4%～32.4%[20]，其中97%的醫院獲得性壓力性損傷是可以預防的[21]。目前，人工智能技術對壓力性損傷的研究大多側重于風險預測和創面評估、測量和分析。在風險預測方面，Alderden 等[22]采用隨機森林模型，利用電子健康病歷中的數據，對危重病人壓力性損傷發生風險進行預測，與傳統Braden 量表相比，其準確性更高[受試者工作特征曲線下面積（AUC）為0.79，0.68）]。Song 等[23]利用豐富的電子健康記錄數據，開發了基于機器學習的非醫院獲得性壓力損傷和醫院獲得性壓力損傷兩種預測模型，并證實其具有較高的準確性。宋杰等[24-25]利用機器學習算法中的隨機森林模型構建了壓力性損傷預測模型，準確率高達90%以上。另外，也有研究分別采用模糊邏輯和機器學習，研發了智能床和輪椅墊，通過分析嵌入式傳感器的數據，實現特定皮膚區域發生壓力性損傷的風險預測[26]。這些模型雖然具有非常高的預測準確率，能夠幫助臨床護理人員早期識別壓力性損傷發生的高危人群，但這些模型在及時提醒護理干預者和促進早期干預方面的應用仍有待于進一步研究。在評估和分析方面，目前有針對壓力性損傷創面分析的光譜相機[27]和創面照片學習測量工具[28]，前者通過光譜相機對皮膚不同組織的不同反射率進行特征處理，進行潰瘍面積測量；后者將創面照片與機器學習中的貝葉斯算法結合進行創面測量。這兩種方法通過相機拍攝進行創面測量，但分析速度較慢，且分析質量有待進一步提高。Wang 等[29]采用卷積神經網絡和支持向量機算法，在5 s 內完成壓力性損傷圖像數據的收集與分析，準確率高達95.0%。此外，Zahia 等[30]通過卷積神經網絡算法實現了壓力性損傷創面的不同組織類型的測量，包括創面面積和深度測量，平均測量準確率均超過92%。有研究顯示，利用機器學習算法開發的壓力性損傷創面評估、測量和分析等技術，實現了對壓力性損傷非結構性數據分析，能夠準確、高效地評估和監測壓力性損傷，具有實時、客觀、安全等優點，有助于提高壓力性損傷評估的準確性，減輕護理人員在壓力性損傷管理方面的工作負擔[31]。未來，可進一步探索人工智能在壓力性損傷干預和預后評價等方面的應用研究。

2.3 人工智能在跌倒監測及預防中的應用 跌倒是反映病人安全相關護理不良事件的又一主要指標。研究顯示，美國65 歲及以上成年人中，有1.1%的住院病人發生跌倒[32]，其中87.5% 的跌倒是可以預防的[21]。我國65 歲以上老年住院病人中跌倒發生率為30%[33]。跌倒不僅嚴重威脅病人人身安全，而且會延長住院時間，增加醫療成本。因此，準確預測跌倒的發生并及時予以干預可以有效降低跌倒的傷害。近年來，利用人工智能方法實現病人跌倒的風險預測已成為現實。有研究通過計算機視覺技術實施實時視頻監控，對步態參數建模并實施跌倒監測，進而預測跌倒風險，有助于實施相應的防范對策[34]。我國學者韓錕等[35]基于Open Pose 深度卷積網絡自圖像提取的人體姿態關鍵點獲取人體傾斜姿態動態特征，使用基于線性核的支持向量機完成跌倒行為預測，該方法在人體動作數據集上測試取得了97.33%的準確率與94.80%的精確率，與現有基于圖像的跌倒識別方法相比具有更優的性能。可穿戴式跌倒檢測系統可以自動發現跌倒并有效降低跌倒相關并發癥發生的風險。成功應用可穿戴式跌倒檢測系統主要取決于3 種因素：算法性能、電池壽命以及用戶接受程度[36]。已有研究顯示，可穿戴傳感器數據的分類模型顯示，根據受試者摔倒的風險，在試驗環境中預測的準確率相對較高[37-39]。然而，它們在現實世界中的可用性和適用性還需要進一步測試。但基于可穿戴設備的跌倒檢測技術受限于算法的穩定性和識別的準確率,技術的靈敏度和特異度難以同時得到保證。其中，基于計算機視覺的跌倒檢測技術在無干擾的場景下檢測較為有效，但其易受環境變化（如背景光線、人群遮擋）影響。因此，張子浩等[40]提出了一種融合計算機視覺和可穿戴計算數據的跌倒檢測的新方法，并進行算法檢測，得出離線和在線測試數據的準確率、敏感度和特異度均超過了99%，證明了該方法具有較高的準確率和靈敏性。為幫助老年人獲得及時救助、減少因跌倒造成的傷害提供了技術支持。未來，可進一步探索人工智能技術在跌倒預防干預方面的可行性。

3 人工智能在其他病人安全領域的應用探索

在病人身份識別方面，2019 年中國醫院協會最新發布的病人安全目標中明確提出，鼓勵應用條碼掃描、人臉識別等身份信息識別技術。目前，國內多家醫院已經引進了人臉識別系統，包含病人信息建檔、分診掛號、科室診療、報告讀取、醫保支付、后勤安全管理等多個場景。計算機視覺可以快速完成病人身份匹配，提高身份識別的準確率，減少用藥、采血及其他護理操作失誤。可靠、易行、低廉的識別設備和系統設計仍然是目前亟待深入探索的重要方向[41]。此外，通過環境或可穿戴設備收集的計算機視覺資料，可以提取病人的圖像行為，識別異常數值，從而輔助醫生快速判斷病人的身體和心理狀態，實現病情觀察、疼痛評估、心理危機預警、自傷自殺行為危機預警等，亦可輔助急診快速分檢，門診病人突發心搏驟停等特殊事件的應急響應和處置[42]。因此，在大數據背景下，以智能機器人、監控攝像頭或傳感設備為載體，整合動作行為、步態、表情識別等關鍵信息的計算機視覺技術，在特殊風險病人群體的動態評估、病情監護、風險預測、自動報警等方面具有巨大潛力[43]。同時，計算機視覺智能輔助醫療、護理質量“結構-過程-結果”管理體系，形成病人安全閉環管理，可對臨床護理質量和工作效率做出重大貢獻，使臨床護理人員能夠專注于細微的決策與護理，切實保障醫療、護理安全。

4 小結

人工智能助益臨床病人安全管理是未來臨床護理發展的趨勢。人工智能在護理領域中病人安全相關結局的風險預測已較成熟，包括導管相關性感染、壓力性損傷以及跌倒等發生風險預測。但這些研究大部分基于人工智能的預測模型的開發，缺乏臨床研究來評價在臨床層面使用人工智能對病人安全結果的作用和影響。另外，現有的數據質量參差不齊，開發的預測模型的準確性和可行性有待探究，加之，研究者多為大數據分析人員，較少有醫護人員參加，部分工具的研發無法與臨床工作相吻合，導致研究結果的準確性有待進一步證實。因此，未來的工作仍然需要在前瞻性和臨床實際環境中對這些系統進行強有力的驗證，以了解人工智能在衛生保健環境中如何預測病人安全結果，也可進一步探索人工智能輔助護理干預新技術、新方法在病人安全中應用及效果評價，不斷提升護理質量，促進病人安全。